| name | data-analysis-workflow |
| description | Standardized data analysis workflow integrating data-analysis, statistical-analysis, scientific-visualization and other skills. Provides complete data analysis process from data import to result reporting with 6 stages. |
Data Analysis Workflow
Overview
标准化数据分析工作流，整合多个数据分析技能，提供从数据导入到结果报告的完整流程。
6 Workflow Stages
1. 数据导入与检查 (5-10 分钟)
- 数据维度检查
- 变量类型检查
- 缺失值检测
- 异常值检测
使用技能: data-analysis, pandas
2. 数据清洗与预处理 (15-30 分钟)
使用技能: data-analysis, pandas
3. 描述统计与探索 (20-40 分钟)
- 集中趋势（均值、中位数）
- 离散程度（标准差、范围）
- 分布形态（偏度、峰度）
- 相关分析
使用技能: data-analysis, seaborn, exploratory-data-analysis
4. 推断统计分析 (30-60 分钟)
- 统计检验选择
- 假设条件检查
- 执行统计检验
- 效应量计算
使用技能: statistical-analysis, scipy
5. 可视化呈现 (20-40 分钟)
- 统计图表（seaborn）
- 定制图表（matplotlib）
- 出版级图表（scientific-visualization）
使用技能: seaborn, matplotlib, scientific-visualization
6. 结果报告 (15-30 分钟)
使用技能: statistical-analysis, scientific-visualization
Analysis Types
实验数据分析 (experimental)
适用场景:
统计检验:
- t 检验（独立/配对）
- ANOVA（单因素/多因素）
- 卡方检验
可视化:
调查数据分析 (survey)
适用场景:
统计检验:
- 相关分析（Pearson/Spearman）
- 回归分析（线性/逻辑）
- 因子分析
可视化:
探索性数据分析 (exploratory)
适用场景:
统计检验:
可视化:
Usage
基本使用
python data_analysis_workflow.py --file data.csv --type experimental
python data_analysis_workflow.py --file data.csv --stage 3
python data_analysis_workflow.py --file data.csv --stage 4 --test anova
python data_analysis_workflow.py --file data.csv --stage 5 --plot boxplot
高级使用
python data_analysis_workflow.py --file data.csv --output report.md --format APA
python data_analysis_workflow.py --input-dir data/ --output-dir results/
python data_analysis_workflow.py --file data.csv --publication-quality --journal nature
Statistical Tests
t 检验
适用场景: 比较两组均值
假设条件:
APA 报告:
进行独立样本 t 检验，结果显示两组之间存在显著差异，
t(58) = 2.45, p = .017, d = 0.63, 95% CI [0.12, 1.14]。
ANOVA
适用场景: 比较三组及以上均值
假设条件:
APA 报告:
进行单因素方差分析，结果显示三组之间存在显著差异，
F(2, 87) = 5.67, p = .005, η² = 0.12。
相关分析
适用场景: 评估变量间关系
类型:
- Pearson 相关（连续变量，正态分布）
- Spearman 相关（等级变量，非正态）
APA 报告:
Pearson 相关分析显示，变量 X 与变量 Y 呈显著正相关，
r(98) = .45, p < .001, 95% CI [.28, .59]。
Quality Checks
数据质量
| 指标 | 优秀 | 良好 | 需改进 |
|---|
| 缺失值 | <5% | 5-10% | >10% |
| 异常值 | <1% | 1-5% | >5% |
| 正态性 | 符合 | 近似 | 不符合 |
| 方差齐性 | 符合 | 近似 | 不符合 |
分析质量
| 指标 | 优秀 | 良好 | 需改进 |
|---|
| 检验选择 | 完全适当 | 基本适当 | 不适当 |
| 假设检查 | 完整 | 部分 | 缺失 |
| 效应量 | 包含 | 部分 | 缺失 |
| 可视化 | 出版级 | 清晰 | 需改进 |
| 报告格式 | APA 规范 | 基本规范 | 不规范 |
Best Practices
最佳实践
-
先探索后检验
-
检查假设条件
-
报告效应量
-
可视化呈现
避免错误
-
检验误用
-
忽略效应量
-
可视化不当
-
过度解读
Integration
与文献搜索配合
literature-search-workflow: 负责文献搜索
data-analysis-workflow: 负责数据分析
paper-writing-workflow: 负责论文写作
与论文写作配合
data-analysis-workflow: 负责数据分析
statistical-analysis: 负责统计检验
scientific-visualization: 负责图表生成
paper-writing-workflow: 负责整合到论文
Examples
示例 1: 实验数据分析
python data_analysis_workflow.py \
--file experiment_data.csv \
--type experimental \
--output experiment_report.md
输出:
- 数据概览
- 描述统计表
- t 检验/ANOVA 结果
- 箱线图/小提琴图
- APA 格式报告
示例 2: 调查数据分析
python data_analysis_workflow.py \
--file survey_data.csv \
--type survey \
--output survey_report.md
输出:
- 样本特征
- 相关矩阵
- 回归分析结果
- 热力图/散点图
- APA 格式报告
示例 3: 探索性数据分析
python data_analysis_workflow.py \
--file data.csv \
--type exploratory \
--output eda_report.md
输出:
- 数据概览
- 缺失值分析
- 分布可视化
- 相关分析
- EDA 报告
References
技能版本: v1.0.0
创建时间: 2026-03-14
维护者: academic-assistant
下次更新: 功能改进时
*高效数据分析，从标准化工作流开始！*📊🔬
